基于高性能計算的LAMOST連續(xù)譜異常光譜的自動識別研究.pdf

1、隨著LAMOST光譜觀測工作的持續(xù)開展，光譜處理流程效率和準確率的逐步提高，拍攝的光譜質(zhì)量也在不斷提高。按照每個像素信噪比大于10作為檢測光譜達標標準，達到要求的光譜占觀測光譜的70％左右，而在正式發(fā)布的數(shù)據(jù)中也存在很多低質(zhì)量光譜，在低質(zhì)量光譜中占比例較大的就是連續(xù)譜異常光譜。連續(xù)譜異常是指恒星光譜在獲得和處理過程中由于星際消光和流量定標等原因造成連續(xù)譜嚴重偏離黑體譜甚至中斷的現(xiàn)象，這對光譜的譜線提取以及其他一些光譜研究工作帶來負面影響

2、，對連續(xù)譜異常光譜的研究亟待解決。LAMOST每個觀測夜產(chǎn)生大約20，000-40，000條光譜數(shù)據(jù)，數(shù)據(jù)量級的不斷增大使得對光譜處理流程自動化的要求越來越高，對異常光譜的處理也應達到更加高效的要求。本課題就是在此背景下提出來的，本文提出了一種基于距離度量的連續(xù)譜異常光譜的自動檢測方法，主要工作有:
　　(1)提取恒星光譜連續(xù)譜。分別提取待測光譜和對應類型模板光譜的連續(xù)譜，同時進行流量插值和歸一化處理，使待測光譜和模板光譜處于相同

3、的量綱下。
　　(2)連續(xù)譜模板匹配。對待測光譜進行模板匹配，對(1)中提取的連續(xù)譜，在每個波長點計算待測光譜及其模板光譜的流量差值，分析流量差值的分布，檢驗有多少差值點分布在均值(β)附近的±α個標準差(δ)的范圍內(nèi)，進而確定是否有連續(xù)譜異常。
　　(3)對待測光譜進行恒星光譜類型分類。由于大部分異常光譜的恒星類型未確定，而模板匹配的前提是已知待測光譜的恒星類型，本文采用測量模板光譜和待測光譜的Lick線指數(shù)之間歐式距離的

4、方法，定義待測光譜類型為與其距離最近的模板光譜的類型。
　　(4)在高性能平臺下實現(xiàn)連續(xù)譜自動識別方法的并行計算。研究了Python在高性能平臺的并行計算方法，通過調(diào)用MPI，將若干個FITS文件分給多個處理器核心，每個核心獨立順序執(zhí)行，當最后一個核心計算完畢時，指定某個進程(一般是root)將各個核心的執(zhí)行結(jié)果收集起來。
　　總結(jié)來說，本文在高性能計算平臺下實現(xiàn)的連續(xù)譜異常光譜自動識別方法，相比于單機計算達到了更加快速高效